制造车队问题的解决通常依赖于对非结构化工程日志的人工解读，而解读结果往往受到描述不一致或主观分类的影响。本研究展示了如何将 JMP 19 中的神经预测模型作为 LLM 式推理框架应用于问题预测，以提高预测的一致性。
这种方法并非生成自由文本回复，而是利用从历史工程记录中提取的结构化文本特征来预测可能的解决方案。我们首先使用文本浏览器对问题描述进行分词，并提取关键词和词频——这在功能上类似于大型语言模型的分词。然后，我们将提取的特征用作神经网络预测模型中的预测变量，并将已知的解决方案定义为回复。
鉴于历史数据的局限性，我们采用K折交叉验证来更可靠地评估模型的性能和泛化能力。初始尝试得到的模型要么调优不足，要么调得不佳，导致误分类率高，广义R²值低。通过迭代优化，最终模型展现出较低且稳定的误分类率，表明其具有稳定的泛化能力，并且能够有效地区分不同结果类别。
虽然并非真正的大型语言模型，但该模型通过学习问题与历史结果之间的关系，展现出类似大型语言模型（LLM）的行为。该模型能够洞察腔室类型和变异性对解决方案路径的影响。这项工作展示了如何利用 JMP 来强化工程知识、加速根本原因分类，并为混合键合机群的维护决策提供更一致的支持——而无需像全规模 LLM 那样复杂。
